CN106419912A - 一种多导联脑电信号的眼电伪迹去除方法 - Google Patents

Abstract

本发明涉及一种多导联脑电信号的眼电伪迹去除方法，属于脑电信号预处理技术领域。在该方法中，结合ICA算法和离散正交S变换方法，ICA算法将原始脑电信号分解成若干个独立分量，通过计算每个独立分量的分形维数值来判定伪迹，并对伪迹分量进行离散正交S变换；在阈值的选定中采用最大类间方差法来得到最优阈值，从而进行软阈值去噪。本方法不仅能够有效地去除眼电伪迹，而且可以避免过度去噪造成的有用信号损失，通过与单独的ICA算法、ICA与S变换结合的算法相对比，结果表明本方法不但去造效果更好，而且可以大大降低计算复杂度，避免了过度去噪。

Description

一种多导联脑电信号的眼电伪迹去除方法

技术领域

本发明属于脑电信号预处理技术领域，涉及一种多导联脑电信号的眼电伪迹去除方法，该方法主要应用于特征信号提取、意念控制以及疾病诊断辅助和睡眠分期研究等。

背景技术

大脑是有亿万个神经元组成的复杂系统，负责人体的各个功能的协调运作，通过大脑皮层上的电极记录下大脑细胞群的电位活动称为脑电信号。通过对脑电信号的研究与分析，可以获取大量有关人体的有用信息，这对于研究人脑功能、疾病诊断及康复工程等方面发挥着重要作用。而这一切的前提是从研究目标身上获取干净、无干扰的脑电信号。然而，脑电信号是一种非线性非平稳的弱信号，一般在5μV～100μV之间，很容易受到很多无关噪声的干扰，例如眼电干扰等，从而影响后续的信号分析研究。因此，如何在确保脑电信号不遗失过多有用信息的前提下消除眼电伪迹的过程也就显得尤为重要。

传统的滤波器在去噪降干扰方面有很好的效果，可是眼电和脑电信号频谱会有重叠现象，所以在去噪时很容易造成有用信号的损失。小波变换和自回归方法也常被用于去除眼电伪迹，但其也尤其无可避免的缺陷，首先，小波变换因其时频局部化和多分辨率特性很适合于本就微弱的脑电信号，但在去早前又需要大量的实验去决定适当的小波基函数和分解层数，这对于多导联信号来说不仅耗时且计算复杂度高。而自回归方法虽好，但需要一个好的回归导联，而因眼电和脑电导联的交叉影响而无法得到纯净信号，这样会造成眼电伪迹的过高估计，可能导致去噪后有用信号的大量损失。因此，独立成分分析法(IndependentComponentAnalysis，ICA)可利用眼电和脑电信号产生源不同而相互独立的特性将眼电从脑电信号中分离出来，从而实现眼电伪迹去除。然而在进行伪迹识别时，常用的办法是采用人工判别法，这样的方法虽然精确但非常耗时，且容易随着时间的推移而造成视觉疲劳而产生误判。S变换是九十年代被提出的一种新的时频分析方法，其融合了小波变换和短时傅里叶变换(STFT)，并含有相位因子，可以实现对小波变换的“相位校正”。因此，可被用到脑电伪迹的去除方面。但是，直接将S变换分析法与ICA算法相结合进行去伪迹的话，不但无法避免计算复杂高(O(N3))的问题的，也将面临信号在进行S变换后阈值选取的问题，显然这是不可取的。

发明内容

有鉴于此，本发明的目的在于提供一种多导联脑电信号的眼电伪迹去除方法，该方法不仅能够实现伪迹的自动判别，同时避免了过度去噪而导致的大量有用信号损失，也降低了计算复杂度，为脑电去噪提供了一种新的思路。

为达到上述目的，本发明提供如下技术方案：

一种多导联脑电信号的眼电伪迹去除方法，在该方法中，结合ICA算法和离散正交S变换方法，ICA算法将原始脑电信号分解成若干个独立分量，通过计算每个独立分量的分形维数值来判定伪迹，并对伪迹分量进行离散正交S变换；在阈值的选定中采用最大类间方差法来得到最优阈值，从而进行软阈值去噪。

进一步，该方法具体步骤如下：

S1：设含眼电伪迹的原始脑电信号X(t)＝[x₁(t),x₂(t)₂,...,x_n(t)]^T,其中n表示脑电信号的导联个数，t表示时间，T表示矩阵转置，利用ICA算法对多导联原始脑电信号X(t)进行处理，按照统计独立原则找到估计分离矩阵，分解后得到m个独立分量，即X(t)＝W*IC(t)，其中W表示分离矩阵，独立分量IC(t)＝[IC₁(t),IC₂(t),...,IC_m(t)]，每个IC_m(t)代表每个分解后得到的独立分量；

S2：分别计算m个独立分量IC(t)的分形维数值，将其中大于等于其均值的独立分量标记为伪迹分量并进行离散正交S变换，得到离散正交S变换系数S(i,j)，同时保留未被标记为伪迹分量的独立分量用于后续处理；

S3：在被判别为伪迹分量并实现离散正交S变换后得到的系数S(i,j)，按照如下式进行软阈值处理：

公式(1)中：

——阈值降噪因子，且

T——最优阈值；

S4：逆变换与信号重构，对步骤S3处理后的伪迹分量系数S(i,j)进行逆离散正交S变换并与步骤二被保留的未被标记为伪迹分量的独立分量组成新的独立分量，进行ICA重构，得到新的信号H(t)＝[h₁(t),h₂(t),...,h_n(t)]＝W^-1*IC(t)，其中n表示信号的导联个数，W^-1为分离矩阵W的逆矩阵，IC(t)中的伪迹分量已经被去噪处理，此时的新信号与原始信号相比，已实现了伪迹去除并保留了大部分有用信息。

进一步，所述的多导联脑电信号为根据临床神经生理学国际联合会所指定的10/20系统法，采用电极提取的方式采集的原始脑电信号，采样频率为512Hz。

进一步，所述的ICA算法采用扩展Infomax算法。

进一步，所述的分形维数法具体为Sevcik分形维数算法。

进一步，最优阈值计算是通过最大类间方差法来得到，具体是：当式(2)值最大时，对应的k值即为最佳分类点，并通过式(3)得到最优阈值，计算公式如下：

公式(2)和(3)中：

K——最优分类点，其将系数S(i,j)分为C1和C2两类，1≤k≤255；

P₁(k)和P₂(k)——为集合C1和C2发生的概率；

a₁(k)和a₂(k)——为各集合点的平均幅值；

a_G——全局均值。

本发明的有益效果在于：本发明提出的基于独立成分分析法和离散正交S变换的脑电信号中眼电伪迹去除的方法，不仅能够有效地去除眼电伪迹，而且可以避免过度去噪造成的有用信号损失，通过与单独的ICA算法、ICA与S变换结合的算法相对比，结果表明本方法不但去造效果更好，而且可以大大降低计算复杂度，避免了过度去噪。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述方法的流程示意图；

图2为含有眼电伪迹的真实脑电信号图；

图3为含有伪迹的信号经过本方法处理后得到的降噪后的信号图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明所述方法的流程示意图，如图所示，本发明提供的一种多导联脑电信号的眼电伪迹去除方法包括以下步骤：

S1：设含眼电伪迹的原始脑电信号X(t)＝[x₁(t),x₂(t)₂,...,x_n(t)]^T,其中n表示脑电信号的导联个数，t表示时间，T表示矩阵转置，利用ICA算法对多导联原始脑电信号X(t)进行处理，按照统计独立原则找到估计分离矩阵，分解后得到m个独立分量，即X(t)＝W*IC(t)，其中W表示分离矩阵，独立分量IC(t)＝[IC₁(t),IC₂(t),...,IC_m(t)]，每个IC_m(t)代表每个分解后得到的独立分量；

S2：分别计算m个独立分量IC(t)的分形维数值，将其中大于等于其均值的独立分量标记为伪迹分量并进行离散正交S变换，得到离散正交S变换系数S(i,j)，同时保留未被标记为伪迹分量的独立分量用于后续处理；

S3：在被判别为伪迹分量并实现离散正交S变换后得到的系数S(i,j)，按照如下式进行软阈值处理：

公式(1)中：

——阈值降噪因子，且

T——最优阈值；

S4：逆变换与信号重构，对步骤S3处理后的伪迹分量系数S(i,j)进行逆离散正交S变换并与步骤二被保留的未被标记为伪迹分量的独立分量组成新的独立分量，进行ICA重构，得到新的信号H(t)＝[h₁(t),h₂(t),...,h_n(t)]＝W^-1*IC(t)，其中n表示信号的导联个数，W^-1为分离矩阵W的逆矩阵，IC(t)中的伪迹分量已经被去噪处理，此时的新信号与原始信号相比，已实现了伪迹去除并保留了大部分有用信息。

图2(a)和(b)是含有眼电伪迹的真实脑电信号，其都是在MATLAB环境下被表示出来，这十个信号分别为10/20系统下的Fp2、C4、F8、Fp1、T3、F4、P4、T4、F7和C3信号。图3(a)和(b)是含有伪迹的信号经过本方法处理后得到的降噪后的信号，这十个信号分别为10/20系统下去噪后的Fp2、C4、F8、Fp1、T3、F4、P4、T4、F7和C3信号。

为了定量评价本发明去噪效果的好坏，在本实施例中，与单独使用ICA算法以及ICA算法和S变换相结合的算法进行比较。使用信噪比(SNR)和均方根误差(RMSE)作为指标。信噪比公式如下：

均方根误差公式如下：

计算脑电前后去噪前后所有导联的SNR和RMSE的均值，结果如下表1所示：

表1不同去噪方法的SNR和RMSE比较

从表1可以看出本方法在提高信号信噪比和降低均方根误差方面都要由于前两种方法，且与ICA与S变换结合方法相比，计算复杂度由O(N³)降低到了O(nlogN)，运算量大大降低。

为进一步验证本发明的有效性，采集了一个真实测试者的脑电信号及眼电参考导联信号，采样频率为512Hz。本发明对伪迹进行去除，然后计算去噪前后脑电信号与眼电参考信号的互相关系数。一段受到眼电干扰的脑电信号，可看到越靠近眼部的导联受到眼电干扰越强，远离眼部的导联受到眼电干扰越弱。使用该方法对脑电信号进行去噪，可发现达到了去除眼电伪迹的目的。处理结果如下表所示：

表2各脑电导联去噪前后与眼电参考信号的互相关系数

导联互相关	处理前	处理后
			Fp2	0.92	0.12
C4	0.55	0.1
			F8	0.83	0.15
Fp1	0.90	0.14
			T3	0.61	0.1
F4	0.86	0.11
			P4	0.40	0.08
T4	0.49	0.12
			F7	0.65	0.09
C3	0.6	0.14

从上表可以看出，相对于去噪前的互相关系数，去噪后的互相关系数明显降低，通过统计分析可以得出去噪后互相关系数有显著地改善，表明本发明能较好地适用于多导联脑电信号的眼电伪迹去除。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种多导联脑电信号的眼电伪迹去除方法，其特征在于：在该方法中，结合ICA算法和离散正交S变换方法，ICA(Independent Component Analysis，独立成分分析法)算法将原始脑电信号分解成若干个独立分量，通过计算每个独立分量的分形维数值来判定伪迹，并对伪迹分量进行离散正交S变换；在阈值的选定中采用最大类间方差法来得到最优阈值，从而进行软阈值去噪。

2.根据权利要求1所述的一种多导联脑电信号的眼电伪迹去除方法，其特征在于：该方法具体步骤如下：

S1：设含眼电伪迹的原始脑电信号X(t)＝[x₁(t),x₂(t)₂,...,x_n(t)]^T,其中n表示脑电信号的导联个数，t表示时间，T表示矩阵转置，利用ICA算法对多导联原始脑电信号X(t)进行处理，按照统计独立原则找到估计分离矩阵，分解后得到m个独立分量，即X(t)＝W*IC(t)，其中W表示分离矩阵，独立分量IC(t)＝[IC₁(t),IC₂(t),...,IC_m(t)]，每个IC_m(t)代表每个分解后得到的独立分量；

S2：分别计算m个独立分量IC(t)的分形维数值，将其中大于等于其均值的独立分量标记为伪迹分量并进行离散正交S变换，得到离散正交S变换系数S(i,j)，同时保留未被标记为伪迹分量的独立分量用于后续处理；

S3：在被判别为伪迹分量并实现离散正交S变换后得到的系数S(i,j)，按照如下式进行软阈值处理：

公式(1)中：

——阈值降噪因子，且

T——最优阈值；

S4：逆变换与信号重构，对步骤S3处理后的伪迹分量系数S(i,j)进行逆离散正交S变换并与步骤二被保留的未被标记为伪迹分量的独立分量组成新的独立分量，进行ICA重构，得到新的信号H(t)＝[h₁(t),h₂(t),...,h_n(t)]＝W^-1*IC(t)，其中n表示信号的导联个数，W^-1为分离矩阵W的逆矩阵，IC(t)中的伪迹分量已经被去噪处理，此时的新信号与原始信号相比，已实现了伪迹去除并保留了大部分有用信息。

3.根据权利要求2所述的一种多导联脑电信号的眼电伪迹去除方法，其特征在于：所述的多导联脑电信号为根据临床神经生理学国际联合会所指定的10/20系统法，采用电极提取的方式采集的原始脑电信号，采样频率为512Hz。

4.根据权利要求2所述的一种多导联脑电信号的眼电伪迹去除方法，其特征在于：所述的ICA算法采用扩展Infomax算法。

5.根据权利要求2所述的一种多导联脑电信号的眼电伪迹去除方法，其特征在于：所述的分形维数法具体为Sevcik分形维数算法。

6.根据权利要求2所述的一种多导联脑电信号的眼电伪迹去除方法，其特征在于：最优阈值计算是通过最大类间方差法来得到，具体是：当式(2)值最大时，对应的k值即为最佳分类点，并通过式(3)得到最优阈值，计算公式如下：

${\mathrm{\σ}}_B^2\left(k\right)=P_{\left(1\right)}\left(k\right){\[a_1\left(k\right)-a_G\]}^2+P_{\left(2\right)}\left(k\right){\[a_2\left(k\right)-a_G\]}^2---\left(2\right)$

$T=\frac{k}{255}*\left(max\right(S(i,j))-min(S(i,j)\left)\right)---\left(3\right)$

公式(2)和(3)中：

K——最优分类点，其将系数S(i,j)分为C1和C2两类，1≤k≤255；

P₁(k)和P₂(k)——为集合C1和C2发生的概率；

a₁(k)和a₂(k)——为各集合点的平均幅值；

a_G——全局均值。